有人能解释一下它输出的内容以及为什么这很重要吗？这段代码对我来说似乎毫无意义。那个for循环应该是用来针对给定数据集优化网络中的神经元的。但它是如何做到这一点的呢？nonlin函数是做什么用的？这段代码是做什么的？

syn0 = 2 * np.random.random((3, 4)) - 1syn1 = 2 * np.random.random((4, 1)) - 1

回答：

这是一段用于训练神经网络的简单代码：

这是神经元的激活，函数返回激活函数或其导数（这是一个S形函数）。

def nonlin(x, deriv=False):    if (deriv == True):        return (x * (1 - x))    return 1 / (1 + np.exp(-x))

在这张图片中，你可以看到一个神经元，这个函数在图片中表现为阶跃函数：

https://blog.dbrgn.ch/images/2013/3/26/perceptron.png

这些是训练数据，包含四个具有3个特征的数据点

X = np.array([[1,1,1],          [3,3,3],          [2,2,2],          [2,2,2]])

每个数据的标签（二元分类任务）

y = np.array([[1],          [1],          [0],          [1]])

这段代码初始化神经网络的权重（这是一个具有两层权重的神经网络）：

np.random.seed(1)syn0 = 2 * np.random.random((3, 4)) - 1syn1 = 2 * np.random.random((4, 1)) - 1

在这张图片中，权重是vnm和wkn，它们是矩阵（每个连接的值）。

https://www.google.es/search?q=multilayer+perceptron&espv=2&biw=1920&bih=964&source=lnms&tbm=isch&sa=X&ved=0ahUKEwjtjP6jr_jPAhUHORoKHbiACdsQ_AUIBigB#imgrc=5npsALleN2cFQM%3A

在你的案例中，你有3个输入神经元，4个隐藏神经元和1个输出神经元。每条连接的值存储在syn0和syn1中。

这段代码训练神经网络，它传递每个数据，评估误差并使用反向传播更新权重：

for j in xrange(100000):    l0 = X    l1 = nonlin(np.dot(l0, syn0))    l2 = nonlin(np.dot(l1, syn1))    l2_error = y - l2    if (j % 10000) == 0:        print "Error: " + str(np.mean(np.abs(l2_error)))    l2_delta = l2_error * nonlin(l2, deriv=True)    l1_error = l2_delta.dot(syn1.T)    l1_delta = l1_error * nonlin(l1, deriv=True)    syn1 += l1.T.dot(l2_delta)    syn0 += l0.T.dot(l1_delta)